在光学遥感背景下,舰船目标检测一直是计算机视觉研究的热点。近几年,随着海洋监测技术的不断发展,舰船检测成为海洋监测的重要内容。在打击走私、海洋运输等领域发挥着关键作用。但是,目前的检测手段很难同时满足到对舰船目标进行精确、有效地旋转探测。光学遥感影像中的舰船目标尺度分布是非常广泛的,而任意排列的舰船目标都必须通过严格的旋转框来进行定位,从而让舰船目标的检测在光学遥感领域中极具棘手。针对舰船在光学遥感场景下旋转检测问题,本文提出了一种能够有效、准确地探测其目标的整体检测框架。论文的主要工作及创新之处包含以下几部分内容:（1）针对复杂背景下的光学卫星图像,本文基于yolov5算法设计了一种单阶段舰船旋转检测框架,R-yolov5。其对舰船检测转换成对目标的中心坐标、宽度、高度、旋转角进行分析。在推理部分,本文设计了一种Soft-Rotate-NMS新方法,用于对旋转舰船目标检测算法R-yolov5中的旋转框进行冗过滤。实验结果证明:R-yolov5算法在HRSC2016数据集上AP可以达到89.84%,AR可以达到85.47%,FPS可以达到每秒43帧;在DOTA数据集上AP可以达到84.25%,AR可以达到79.96%。其算法保证检测精度和检测效率之间取得良好的一致性。（2）针对大尺度光学遥感图像中舰船目标检测,基于Anchor的目标检测算法,增加了模型的复杂度,从而影响模型对舰船目标在实际场景应用中的检测速度。为了设计一种高效的大尺度检测框架,本文在R-yolov5算法的基础上设计出了一种Anchor-Free单阶段旋转目标检测算法,RAF-yolov5。不同于R-yolov5算法,不会在特征图上设置几组通过聚类算法得到的不同长宽比的先验框Anchor,有效的降低了模型的复杂度;同时设计了解耦头预测器,将类别信息和边界框定位信息进行分离学习,从而更有效的学习其特征信息。实验结果证明:RAF-yolov5算法在HRSC2016数据集上AP可以达到91.42%,AP可以达到86.50%,FPS可以达到每秒28帧;在DOTA数据集上AP可以达到85.83%,AR可以达到80.91%。其算法在没有降低模型精度的条件下,所设计的检测器对舰船目标的旋转检测到达了更有效的推理检测,验证了其检测的有效性。（3）为了解决遥感场景图像中相似舰船目标对模型学习舰船目标的干扰问题,本文提出了一种基于RAF-yolov5算法的双分支骨干网络检测算法,RAF2-yolov5。用于在含有类似目标物体的遥感影像中更好的检测出目标物体。该方法会使用两条特征提取器共同作为RAF2-yolov5算法的骨干网络对可见光遥感舰船图像进行有效的学习,从而很好的区别开舰船目标与相似物体之间的特征信息。同时为了让模型能够模拟人类眼睛的自动注意力,在观察大量事物时,自动的锁定感兴趣的事物,过滤掉其他事物的重要程度,本文在RAF2-yolov5的骨干网络中引入通道注意力机制EACNet模块,让模型更专注于学习图像中的舰船目标区域信息,有助于提高模型的鲁棒性。实验结果证明:RAF2-yolov5算法在HRSC2016数据集上AP可以达到93.58%,AR可以达到88.64%,FPS可以达到每秒21帧;在DOT A数据集上AP可以达到88.79%,AR可以达到82.35%。所提出的RAF2-yolov5方法可以有效地抑制可见光遥感影像中相似物体对舰船检测的干扰,降低了模型的错检率。